MétaCan
Menu
Retour à la cohorte
Enregistrement W4386960426 · doi:10.9753/icce.v37.management.78

THE IMPACT OF EXTREME WATER LEVELS ON TORONTO ISLAND PARK AND INCREASING RESILIENCE AGAINST FUTURE FLOOD EVENTS

2023· article· en· W4386960426 sur OpenAlexaffabout
Jennifer Crilly, Dave Anglin, Rebecca Salvatore

Notice bibliographique

RevueCoastal Engineering Proceedings · 2023
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueFlood Risk Assessment and Management
Établissements canadiensToronto and Region Conservation Authority
Organismes subventionnairesnon disponible
Mots-clésFlood mythFlooding (psychology)GeographyResilience (materials science)ShoreTourismEnvironmental planningExtreme weatherFlood controlEnvironmental resource managementEnvironmental protectionClimate changeEnvironmental scienceArchaeologyFisheryEcology

Résumé

récupéré en direct d'OpenAlex

Toronto Island Park is a chain of fifteen low-lying islands in Lake Ontario located just south of the Toronto shoreline in Ontario, Canada. The Park serves as a popular year-round urban attraction of significant economic importance, and showcases unique natural features, cultural heritage, and sensitive ecosystems. The Park is home to Billy Bishop Airport, Centreville Amusement Park, numerous small businesses, and over 250 residential homes. In recent years, the Toronto Islands have suffered significant physical and economic impacts due to flooding caused by extreme wet weather and record high water levels on Lake Ontario. In 2021, Baird was retained by the Toronto and Region Conservation Authority (TRCA) to develop long-term flood and erosion mitigation concept alternatives to replace temporary and emergency measures and to increase the functionality and resilience of the flood control infrastructure on the islands. This abstract outlines the various concept alternatives that were considered, the public engagement process and resulting preferred concepts for flood mitigation.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Comment cette classification a été obtenuedéplier

Prédiction machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,570
Score d'incertitude au seuil0,855

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0020,002
Communication savante0,0020,001
Science ouverte0,0000,002
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0040,000

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,009
Tête enseignante GPT0,225
Écart entre enseignants0,216 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2023
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueCoastal Engineering ProceedingsMême sujetFlood Risk Assessment and ManagementTravaux en français237 207